(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211111915.0 (22)申请日 2022.09.13 (71)申请人 中债金科信息技 术有限公司 地址 101118 北京市通州区宋庄镇 壁富路 与徐尹路交叉口(汇天云端产业园8号 楼) (72)发明人 王延昭　唐华云　李荣　商丽丽　 华娇娇　孙爽　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 张晓霞 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01)G06Q 10/06(2012.01) (54)发明名称 违约风险检测模型的训练方法及装置 (57)摘要 本发明提供一种违约风险检测模型的训练 方法及装置， 其中违约风险检测模 型的训练方法 包括： 基于联邦学习中心服务器发送的目标债券 特征摘要及目标债券标识摘要， 确定训练样本 集； 基于训练样本集对部署在各分布式节点的第 一初始违约风险检测模型进行迭代训练， 将每一 次迭代训练过程中的各模型参数上传至区块链 中的节点设备； 利用联邦学习中心服务器发送的 聚合模型参数对第一初始违约风险检测模型进 行更新， 直至达到训练停止条件， 得到第一目标 违约风险检测模型。 通过上述方法， 基于联邦学 习服务器对第一初始违约风险检测模型进行训 练， 利用聚合模型参数对模型进行更新， 提高了 模型性能的同时， 不需要暴露数据原文， 避免了 用户数据发生泄 露的风险。 权利要求书3页 说明书15页 附图3页 CN 115439219 A 2022.12.06 CN 115439219 A 1.一种违约风险检测模型的训练方法， 其特 征在于， 应用于各分布式节点， 包括： 基于联邦学习中心服务器发送的目标债券特征摘要及目标债券标识摘要， 确定训练样 本集， 所述训练样本集包括各目标待检测债券 对应的特 征信息及标识信息； 基于所述训练样本集对部署在各所述分布式节点的第一初始违约风险检测模型进行 迭代训练， 将每一次迭代训练过程中的各模型参数上传至区块链中的节点设备， 以使所述 联邦学习中心服务器将所述节点设备中的各所述模型参数进 行加权聚合处理， 生成聚合模 型参数； 利用所述联邦学习中心服务器发送的所述聚合模型参数对所述第一初始违约风险检 测模型进行 更新， 直至 达到训练停止条件， 得到第一目标违约风险检测模型。 2.根据权利要求1所述的违约 风险检测模型的训练方法， 其特征在于， 所述将每一 次迭 代训练过程中的各模型参数 上传至区块链中的节点设备， 包括： 在对所述第 一初始违约 风险检测模型每一 次迭代训练的过程中， 基于属性基加密算法 对各所述模型参数进行加密处 理； 将加密后的模型参数 上传至所述节点设备。 3.根据权利要求1所述的违约 风险检测模型的训练方法， 其特征在于， 在所述基于联邦 学习中心服务器发送的目标债券特征摘要及目标债券标识摘要， 确定训练样本集之前， 还 包括： 基于SM3算法将原始债券特征信息及原始债券标识信息进行处理， 得到原始债券特征 摘要及原 始债券标识摘要； 将所述原始债券特征摘要及所述原始债券标识摘要上传至所述节点设备， 以使所述联 邦学习中心 服务器对所述节点设备中的所述原始债券特征摘要进 行排序处理， 生成所述目 标债券特 征摘要， 对所述原 始债券标识摘要 进行去重处 理， 生成所述目标债券标识摘要。 4.根据权利要求1至3任一项所述的违约风险检测模型的训练方法， 其特征在于， 在所 述得到第一目标违约风险检测模型之后， 还 包括： 在所述训练样本集更新的情况下， 从所述节点设备中获取所述第 一目标违约 风险检测 模型对应的目标模型参数， 所述目标模型参数是所述联邦学习中心 服务器基于所述第一目 标违约风险检测模型确定并上传至所述节点设备中的； 基于所述目标模型参数生成第二初始违约风险检测模型； 基于更新训练样本集对所述第 二初始违约 风险检测模型进行增量学习， 直至达到训练 停止条件， 生成第二目标违约风险检测模型。 5.一种违约风险检测模型的训练方法， 其特 征在于， 应用于联邦学习服 务器， 包括： 将目标债券特征摘要及目标债券标识摘要发送至各分布式节点， 所述目标债券特征摘 要及所述目标债券标识摘要用于各所述分布式节 点确定训练样本集， 基于所述训练样本集 对部署在各所述分布式节点的第一初始违约风险检测模型进 行迭代训练， 所述训练样本集 包括各目标待检测债券 对应的特 征信息及标识信息； 从区块链中的节点设备获取所述第一初始违约风险检测模型在进行每一次迭代训练 过程中的各模型参数， 将各所述模型参数进行加权聚合处理生成聚合模型参数， 各所述模 型参数是各所述分布式节点上传至所述节点设备的； 将所述聚合模型参数发送至各所述分布式节点， 以使各所述分布式节点对所述第 一初权　利　要　求　书 1/3 页 2 CN 115439219 A 2始违约风险检测模型进行 更新， 直至 达到训练停止条件， 得到第一目标违约风险检测模型。 6.根据权利要求5所述的违约 风险检测模型的训练方法， 其特征在于， 在所述将目标债 券特征摘要及目标债券标识摘要发送至各分布式节点之前， 还 包括： 从所述节点设备获取各所述分布式节点上传的原始债券特征摘要及原始债券标识摘 要， 所述原始债券特征摘要及原始债券标识摘要是各所述分布式节点基于SM3算法将原始 债券特征信息及原 始债券标识信息进行处 理得到的； 对所述原 始债券特征摘要进行排序处 理， 生成所述目标债券特 征摘要； 对所述原 始债券标识摘要 进行去重处 理， 生成所述目标债券标识摘要。 7.根据权利要求5所述的违约 风险检测模型的训练方法， 其特征在于， 所述将各所述模 型参数进行加权聚合处 理生成聚合模型参数， 包括： 基于属性基加密算法对加密后的各模型参数进行解密处理， 得到各所述模型参数， 所 述加密后的各模型参数是各所述节点设备在对所述第一初始违约风险检测模型每一次迭 代训练的过程中， 基于属性基加密算法对各 所述模型参数进行加密处 理后得到的； 将各所述模型参数进行加权聚合处 理生成聚合模型参数。 8.根据权利要求5至7任一项所述的违约风险检测模型的训练方法， 其特征在于， 在所 述将所述聚合模型参数发送至各 所述分布式节点之后， 还 包括： 将所述第一目标违约风险检测模型对应的目标模型参数上传至所述节点设备进行存 储； 在所述训练样本集更新的情况下， 将存储于所述节点设备中的所述目标模型参数发送 至各所述分布式节点， 以使各所述分布式节点根据所述目标模型参数生成第二初始违约风 险检测模型， 基于更新训练样本集对所述第二初始违约风险检测模型进行增 量学习， 直至 达到训练停止条件， 生成第二目标违约风险检测模型。 9.一种违约风险检测模型的训练装置， 其特 征在于， 应用于各分布式节点， 包括： 确定模块， 用于基于联邦学习中心服务器发送的目标债券特征摘要及目标债券标识摘 要， 确定训练样本集， 所述训练样本集包括各目标待检测债券 对应的特 征信息及标识信息； 训练模块， 用于基于所述训练样本集对部署在各所述分布式节点的第 一初始违约 风险 检测模型进行迭代训练， 将 每一次迭代训练过程中的各模型参数上传至区块链中的节点设 备， 以使所述联邦学习中心服务器将所述节点设备中的各所述模型参数进行加权聚合处 理， 生成聚合模型参数； 更新模块， 用于利用所述联邦学习中心服务器发送的所述 聚合模型参数对所述第 一初 始违约风险检测模型进行 更新， 直至 达到训练停止条件， 得到第一目标违约风险检测模型。 10.一种违约风险检测模型的训练装置， 其特 征在于， 应用于联邦学习服 务器， 包括： 第一发送模块， 用于将目标债券特征摘要及目标债券标识摘要发送至各分布式节点， 所述目标债券特征摘要及所述目标债券标识摘要用于各所述分布式节点确定训练样本集， 基于所述训练样本集对部署在各所述分布式节点的第一初始违约风险检测模型进行迭代 训练， 所述训练样本集包括各目标待检测债券 对应的特 征信息及标识信息； 处理模块， 用于从区块链中的节点设备获取所述第 一初始违约 风险检测模型在进行每 一次迭代训练过程中的各模型参数， 将各所述模型参数进 行加权聚合处理生成聚合模型参 数， 各所述模型参数 是各所述分布式节点上传至所述节点设备的；权　利　要　求　书 2/3 页 3 CN 115439219 A 3